跳到正文
Hugging Face Daily Papers·· 6 天前AI 评分24

JVT:Just Video Transformer 让像素空间视频扩散变得简单

JVT: Just Video Transformer makes pixel-space video diffusion simple

AI 导读

JVT(Just Video Transformer)提出一种简单的大 patch DiT 风格 Transformer,用于像素空间视频扩散,无需预训练自编码器或 U-Net 式跳跃连接。其生成质量在类条件与无条件设置下与潜在扩散基线相当,并支持像素对齐模态的联合生成。通过相机条件 RGB-视差生成,JVT 改善了相机跟随,且无需额外重建模型即可获得显式场景几何。

打开原文 arxiv.org